Architektur- und Softwareauswahl erfolgreich beendet!

Sommersemester 2019

Architektur- und Softwareauswahl erfolgreich beendet!

Für das Projekt konnte nach umfangreicher Abwägung geeigneter Architekturansätze die Kappa-Architektur als Basis der Umsetzung festgelegt werden. Diese zeichnet sich durch ihre enorme Auswertungsgeschwindigkeit aus, und stellt die Weiterentwicklung der bisher als gängig zu bezeichnenden Lambda-Architektur dar indem sie den vorherigen Batch-Layer durch einen weiteren Speed-Layer ersetzt.


Von links beginnend werden die gewonnen Daten an einen zentralen Datenverteiler übergeben. Dieser leitet die Daten in die echtzeitfähige Logikschicht weiter, um sie in einer ebensolchen Verarbeitungseinheit zu analysieren. Auf der Datenhaltungsschicht kann neben Cache-Speichern ein persistentes Abbild der Ausgangs- und Enddaten durch Ablage der Daten in eine zentralen Datenbank erfolgen. Dies erlaubt weiterführende Datenanalysen. Die finalen Ergebnisse werden der Präsentationsschicht übergeben, welche die Aufgaben einer bedarfsgerechten Aufbereitung und Interaktion für und mit dem Endnutzer übernimmt (Lin 2017).


Für die Auswahl geeigneter Software je Architekturkomponente wurde nach Möglichkeit auf bereits bewährte Standardsoftware gesetzt, um eine hohe Praxistauglichkeit sicherzustellen und Lernaufwände zu minimieren.


Die Maschinenzustandsdaten aus der intelligenten Fabrik stellen die Ausgangsbasis desUnterstützungssystems dar. Als zentrale Datenverteilungseinheit fungiert der Publish-Subscribe Message Broker Apache Kafka. Dieser wurde speziell für die Sammlung und Verteilung großer Datenvolumen mit geringer Latenzzeit entwickelt (Thein 2014). Die analytische Verarbeitungder Daten auf der echtzeitfähigen Verarbeitungsschicht übernimmt eine Complex Event Processing (CEP) Einheit, basierend auf der weiterverbreiteten Esper Anwendung von EsperTech. CEP selbst ist eine Softwaretechnologie für die kontinuierliche Echtzeitverarbeitung großer Datenströme. Auf Basis vordefinierter Regeln wird anomales Verhalten in den Datenreihen entdeckt und zugeordnet (Etzion et al. 2011). Der bestehende Nachteil eines deklarativen Charakters für die Regelbildung wird durch Ansätze aus dem Machine Learning adressiert (Wanner et al. 2019). 

Digitalisierte Inhalte aus der technischen Dokumentation und deren Fortschreibung werden in einer zentralen Wissensdatenbank abgelegt. Ein redaktionellen Wissenssystems organsiert dieses Wissen, sodass relevantes Expertenwissen für erkannte, anormale Datenmuster präsentiert wird. Hierfür wurde die Software Confluence von Atlassian ausgewählt, welche mit einer zugehörigen, relationalen Wissensdatenbank verknüpft ist. Für die visuelle Aufbereitung und Nutzerinteraktion im Backend der Präsentationseinheit stehen aktuell zwei Anwendungen bereit. Einerseits ein selbstentwickeltes Dashboard auf Basis von R-Shiny. Andererseits eine Datenbrille für die visuelle Aufbereitung von bestehenden Reparaturanleitungsvideos per Augmented Reality, um dem Mitarbeiter vor Ort eine intuitive Schritt-für-Schritt-Anleitung zu ermöglichen.

Quellennachweise: 

Etzion, O, Niblett, P, Luckham, DC (2011) Event processing in action. Manning Greenwich.

Fischertechnik 2019. Lernfabrik 4.0 – Digitalisiertes Trainings- und Simulationsmodell für Industrie 4.0-Anwendungen.

Kagermann, Henning, Wolfgang Wahlster und Johannes Helbig. 2018. „Umsetzungsempfehlungen für das Zukunftsprojekt Industrie

4.0: Abschlussbericht des Arbeitskreises Industrie 4.0“.

Lin, J (2017) The lambda and the kappa. IEEE Internet Computing 21(5): 60-66.

Schlick, Jochen, u. a. 2014. „Industrie 4.0 in der praktischen Anwendung“. Bauernhansl et al. (Hrsg.). Industrie 4.0 in Produktion,

Automatisierung und Logistik: 57–84.

Soder, J. 2014. „Use Case Production: Von CIM über Lean Production zu Indistrie 4.0“. Bauernhanslet al. (Hrsg.). Industrie 4.0 in

Produktion, Automatisierung und Logistik: 85–102.

Thein, K (2014) Apache kafka: Next generation distributed messaging system. International Journal of Scientific Engineering and

Technology Research 3(47): 9478-9483.

Wanner, J, Wissuchek, C, Janiesch, C (2019) Machine Learning und Complex Event Processing: Effiziente Echtzeitauswertung am

Beispiel Smart Factory. Conference on Wirtschaftsinformatik. Siegen, Germany. 

Contact persons: Jonas Wanner und Lukas-Valentin Herm

Aktuelles

Weitere Projekte

AUTOCOP KICKOFF

AUTOCOP INTERIM